近些年来，合成孔径雷达(Synthetic Aperture Radar，SAR)技术蓬勃发展，多颗SAR遥感卫星成功发射。GF-3作为中国首颗C波段SAR卫星，在地球科学、气候变化研究、森林资源调查等领域发挥重要作用，使中国的遥感应用进入新的阶段。然而，如何从海量遥感数据中快速准确地提取地物信息，是遥感工作者亟待解决的问题。目前，在大数据的支持下，以深度学习为代表的人工智能技术掀起了巨大的浪潮，其在多个应用中展示的能力远远超过了传统的图像处理算法。本文将深度学习应用在GF-3极化SAR地物类型分类的工作中。采用具有代表性的深度卷积Highway Unit神经网络。该网络通过交替的卷积层和池化层从SAR图像中自动学习多层高级特征表达，能够很好的抵抗噪声的影响，充分挖影像在时间和空间上的规律，有效提高地物分类精度。　　本文的研究内容包括以下三个方面：　　(l)本文采用Schmidhuber教授提出的深度卷积Highway Unit神经网络，通过可反复堆叠的Highway网络学习单元，使其优化方法基本与网络的深度独立，某种程度解决了网络信息损耗的问题，可以用较少的样本训练任意深度的网络。　　(2)为了评价深卷卷积Highway Unit神经网络的分类效果，本文以依根农林交错区为研究区，采用GF-3全极化SAR影像进行实验。该模型分类结果的平均精度达到88.12%，与传统的机器学习（如支持向量机和随机森林）相比，精度分别提高了29.0g%和11.30%。其次，将预训练好的模型对不同时间、不同入射角、不同传感器获取的影像进行分类，以说明该模型在不同条件下的泛化学习能力，为第四章的大区域制图提供新的思路和技术支持。　　(3)基于深度卷积Highway Unit神经网络的方法，充分发挥深度学习处理海量数据的能力，采用GF-3双极化SAR数据实现呼伦贝尔市大区域制图，为处理海量SAR数据提供良好的范例。